传统的 BP 算法简述 BP 算法是一种有监督式的学习算法，其主要思想是：输入学习样本,使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下: （1）初始化，随机给定各连接权［w］，［v］及阀值 θi，rt. （2）由给定的输入输出模式对计算隐层、输出层各单元输出 (3)计算新的连接权及阀值，计算公式如下: （4)选取下一个输入模式对返回第 2 步反复训练直到网络设输出误差达到要求结束训练. 第一步,网络初始化 给各连接权值分别赋一个区间(—1，1）内的随机数，设定误差函数 e,给定计算精度值 和最大学习次数 M。第二步,随机选取第 k 个输入样本及对应期望输出 第三步，计算隐含层各神经元的输入和输出第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数第五步,利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数第六步，利用输出层各神经元的和隐含层各神经元的输出来修正连接权值 第七步，利用隐含层各神经元的和输入层各神经元的输入修正连接权。第八步，计算全局误差第九步，推断网络误差是否满足要求.当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则,选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习.
